学位论文 > 优秀研究生学位论文题录展示

移动环境下的个性化推荐用户兴趣建模研究

作　者: 刘滨强
导　师: 舒华英
学　校: 北京邮电大学
专　业: 信息管理与信息系统
关键词: 个性化推荐移动数据业务用户兴趣模型情景
分类号: TP311.52
类　型: 硕士论文
年　份: 2009年
下　载: 659次
引　用: 14次
阅　读: 论文下载

内容摘要

移动环境下的个性化推荐已经成为研究的热点方向之一。用户兴趣建模是个性化推荐的基础与核心,但目前研究移动环境下用户兴趣建模的还较少。基于此,本研究取得的成果如下:(1)将情景信息引入用户兴趣模型,提出了结合情景的用户兴趣U-I-C模型。以用户-项目矩阵为基础,将情景作为一个新的维度添加到矩阵中,记录用户在不同情景下对项目的兴趣度,从而构建结合情景的用户兴趣U-I-C模型。将情景与用户对项目的兴趣度相结合,并将影响用户使用移动数据业务的情景分成时间、位置、终端、渠道四类,这在之前的研究中还未见到。本成果为移动环境下的用户模型构建提供了理论框架。(2)提出了浏览类业务及下载类业务用户兴趣度的计算方法、情景相似度的算法以及基于内容和情景相结合的推荐机制。1)用特征词及其权重组成的向量空间模型表示用户浏览的页面文档,特征词权重的计算以TF-IDF为基础,结合用户浏览的页面内容、用户的浏览行为、用户使用的移动终端屏幕显示的字数,计算用户对浏览页面的兴趣度;利用用户下载不同类别业务的数量占下载总数的比例及用户对于业务的设置信息,计算用户对下载类业务的兴趣度。2)通过用户当前情景与历史情景的匹配,计算当前情景占历史情景的比例,给出当前情景与历史情景的相似度。3)在向用户推荐项目时,先计算情景相似度,得到与当前情景类似的历史情景,然后将在这些历史情境中用户兴趣度排名靠前的相似项目推荐给用户。相比于之前的研究,本文对特征词权重的计算方法进行了改进,并提出了新的下载类业务用户兴趣度的计算方法、情景相似度算法和新的推荐机制。该成果能有效地在移动环境下发现用户兴趣。(3)利用某地市运营商彩铃用户的真实使用记录进行数据实验。利用某地市运营商200名彩铃用户在2008年6月-8月的彩铃下载数据,对本文提出的用户兴趣模型、用户兴趣度及情景相似度的计算、推荐机制等进行数据实验。实验结果表明,本文提出的用户兴趣模型能有效地体现用户在不同情景下的兴趣偏好,而且用户对于情景也是有偏好的,验证了将情景引入用户兴趣模型是完全可行的。

全文目录

摘要  4-6
ABSTRACT  6-12
第一章绪论  12-16
  1.1 研究背景  12-13
  1.2 论文的选题及研究意义  13-14
  1.3 论文结构框架  14-16
第二章文献综述  16-42
  2.1 个性化推荐系统的起源、作用及分类  16-20
    2.1.1 个性化推荐系统的起源及作用  16-17
    2.1.2 个性化推荐系统的分类  17-20
    2.1.3 小结  20
  2.2 用户兴趣模型及建模的步骤  20-33
    2.2.1 用户兴趣模型的定义  20-21
    2.2.2 用户兴趣建模的任务与步骤  21-22
    2.2.3 用户信息及其收集方式  22-26
    2.2.4 用户兴趣模型的表示  26-29
    2.2.5 用户兴趣模型的学习  29-30
    2.2.6 用户兴趣模型的更新  30-32
    2.2.7 用户兴趣模型的评价  32-33
    2.2.8 小结  33
  2.3 移动环境下的个性化推荐用户兴趣建模研究现状  33-40
    2.3.1 移动环境下个性化推荐的特点  33-35
    2.3.2 国内学者研究现状  35-37
    2.3.3 国外学者研究现状  37-40
  2.4 本章小结  40-42
第三章用户信息及情景信息的收集  42-49
  3.1 用户信息的收集  42-45
    3.1.1 用户基本信息的收集  42-44
    3.1.2 用户行为信息的收集  44-45
  3.2 情景信息的收集  45-48
    3.2.1 情景的定义  45-46
    3.2.2 情景的分类  46-47
    3.2.3 情景信息的获取  47-48
  3.3 本章小结  48-49
第四章结合情景的用户兴趣模型表示  49-55
  4.1 有情景在个性化推荐系统中的应用  49-50
  4.2 情景与用户兴趣模型的结合  50-52
  4.3 结合情景的用户兴趣U-I-C模型  52-54
  4.4 本章小结  54-55
第五章用户兴趣度及情景相似度的计算  55-65
  5.1 基于内容、行为及情景的浏览类业务用户兴趣度计算  55-58
    5.1.1 文本的向量空间表示  55
    5.1.2 文本特征词的提取  55-56
    5.1.3 文本特征词权重的计算  56-57
    5.1.4 结合用户行为及情景的网页兴趣度计算  57-58
  5.2 下载类业务用户兴趣度计算  58-59
  5.3 情景相似度的计算  59-62
  5.4 基于情景和基于内容相结合的推荐机制  62-64
    5.4.1 情景信息的使用  62
    5.4.2 基于情景和基于内容相结合的推荐机制  62-64
  5.5 本章小结  64-65
第六章数据实验  65-79
  6.1 数据来源及实验设计  65-67
  6.2 实验结果及分析  67-77
  6.3 应用建议  77-78
  6.4 本章小结  78-79
第七章总结与展望  79-81
  7.1 论文的主要工作及成果  79
  7.2 论文的不足及进一步的研究方向  79-81
参考文献  81-86
致谢  86-87
作者攻读学位期间发表的学术论文目录  87

移动环境下的个性化推荐用户兴趣建模研究

内容摘要

全文目录

相似论文